一种用于企业网络中可扩展动态IP相似度的图神经网络方法
机器学习
2020-10-14 v1 网络与互联网体系结构
摘要
测量IP地址之间的相似度是任意企业网络日常运营中的一项重要任务。依赖于IP相似度度量的应用包括衡量安全告警间的相关性、为行为建模建立基线、调试网络故障以及追踪持续性攻击。然而，IP本身按定义并无天然的相似度度量。深度学习架构在此处是一种有前景的解决方案，因为它们能够直接从数据中学习IP的数值表示，从而可对计算出的表示施加各类距离度量。现有工作已利用自然语言处理（NLP）技术来学习IP嵌入，但这些方法没有恰当手段处理训练期间未见的词表外（OOV）IP。本文中，我们提出一种使用改进图神经网络（GNN）架构的IP嵌入新方法。该方法具有作用于原始数据、可扩展以及最为重要的归纳能力（即度量先前未见过IP之间相似度的能力）等优势。利用来自某企业网络的数据，我们的方法能够识别本地DNS服务器与根DNS服务器之间的相似度，尽管其中部分机器在训练阶段从未遇到过。
引用
@article{arxiv.2010.04777,
title = {A Graph Neural Network Approach for Scalable and Dynamic IP Similarity in Enterprise Networks},
author = {Hazem M. Soliman and Geoff Salmon and Dusan Sovilij and Mohan Rao},
journal= {arXiv preprint arXiv:2010.04777},
year = {2020}
}